معظم أنظمة الذكاء الاصطناعي في بيئة الإنتاج مُحسَّنة لتقديم إجابة بدلاً من قياس مدى عدم يقين تلك الإجابة. يبدو توقّع نمو بنسبة 8 بالمئة دقيقاً، حتى عندما تتراوح النتائج الواقعية بين انخفاض وزيادة أكبر بكثير. قد يكون العميل عالي المخاطر أعلى بقليل من حدٍّ تم وضعه بشكل اعتباطي. وبمجرد أن يؤدي تنبؤ ما إلى إجراء مؤتمت، يتحول عدم اليقين الخفي إلى مخاطر تشغيلية.
ترسم الأساليب البايزية خريطة عدم اليقين عبر التوزيعات الاحتمالية بدلاً من القيم المقدَّرة الفردية. يجب على النظام استخدام عدم اليقين ليقرر متى يمكنه التصرف بمفرده، ومتى يحتاج إلى تدقيق، ومتى ينبغي له الامتناع عن القرار. تغيّر الأتمتة تكلفة عدم اليقين. يمكن لنظام الذكاء الاصطناعي تقييم آلاف الحالات والتصرف خلال ثوانٍ. وإذا كان مخطئاً بثقة، فإنه يضاعف الأخطاء.
يجمع النموذج البايزي بين مسبِّقة (prior) والبيانات المرصودة لإنتاج توزيع بعدي (posterior). أما بالنسبة للقيم المستقبلية، فإن التوزيع التنبؤي البعدي بالغ الأهمية. فهو يجمع بين عدم اليقين بشأن معاملات النموذج والتغير في الملاحظات المستقبلية. ينبغي أن توفر نماذج الطلب فترات تنبؤية بَعدية. ويجب أن تُظهر أنظمة فقدان العملاء ما إذا كانت تقديرات الاحتمال تبقى مستقرة عبر شرائح العملاء.
لا ينبغي التعامل مع درجات الثقة كأنها احتمالات ما لم يتم معايرتها. يمكن لمصنِّف أن يبلّغ عن ثقة بنسبة 90 بالمئة دون أن يكون صحيحاً في 90 بالمئة من الحالات. تترجم الحواجز الحماية البايزية عدم اليقين إلى قواعد للقرارات المؤتمتة. ويجب على النظام أن يوازن بين النتائج المحتملة وتكاليف القرارات الخاطئة.
المصدر: Towards Data Science · لخّصه HeadlinesBriefing